申请/专利权人：中国科学技术大学

申请日：2023-12-25

公开（公告）日：2024-07-05

公开（公告）号：CN117765322B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/44;G06N3/0464;G06N3/0499;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.04.23#著录事项变更;2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种基于多模态数据可解释深度学习的分类系统，包括：图像预处理模块，用于对脑部的MRI图像和PET图像进行处理；模型构建模块，用于构建完全卷积神经网络并进行训练；图像处理模块，基于训练后的完全卷积神经网络对预处理后的MRI图像和PET图像进行特征提取，获得对应的异常概率图；多层感知模块，用于分别筛选异常概率图中的高危体素，并与非影像学特征结合后输入到多层感知机中进行处理，获得对应的两个标量值，并且两个标量值有排列顺序；结果分类模块，用于基于两个标量值进行分类。本发明提出将完全卷积神经网络与多层感知机相结合的网络框架，有助于增强神经网络的可解释性。

主权项：1.一种基于多模态数据可解释深度学习的分类系统，其特征在于，包括：图像预处理模块，用于对脑部的MRI图像和PET图像进行标准化处理、分割处理以及归一化处理；模型构建模块，与所述图像预处理模块连接，用于构建完全卷积神经网络并进行训练，获得训练后的完全卷积神经网络；图像处理模块，与所述模型构建模块连接，用于基于训练后的完全卷积神经网络对预处理后的MRI图像和PET图像进行特征提取，获得对应的异常概率图；多层感知模块，与所述模型构建模块连接，用于分别筛选所述异常概率图中的高危体素，并与非影像学特征结合后输入到多层感知机中进行处理，获得对应的两个标量值，并且两个标量值有排列顺序；结果分类模块，与所述多层感知模块连接，用于找到两个标量值中最大的标量值，然后基于两个标量值的排列顺序，判断所述最大的标量值排在第一个还是第二个，如果是第一个则分类为正常，如果是第二个则分类为异常；所述多层感知模块包括：感知构建单元，用于构建多层感知机，所述多层感知机包括归一化层、dropout层和全连接层，特征结合单元，用于分别筛选所述异常概率图中的高危体素，并与非影像学特征结合；感知处理单元，用于基于所述多层感知机分别对结合后的特征进行处理，获得对应的标量值。

全文数据：

权利要求：

百度查询： 中国科学技术大学 一种基于多模态数据可解释深度学习的分类系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD